💰 quantitative finance

Forecasting Future Language: Context Design for Mention Markets

تستقصي هذه الورقة كيفية تحسين سياق المدخلات للنماذج اللغوية الكبيرة في أسواق الإشارات عبر تقديم "التلقين المشروط بالسوق" (MCP) ومتغيره الخليطي (MixMCP)، مما يثبت أن المعلومات السياقية الأكثر ثراءً ومعاملة احتمالات السوق كاحتمالات سابقة يحسنان بشكل كبير من دقة ومعايرة توقعات الكلمات المفتاحية والإشارات.

المؤلفون الأصليون: Sumin Kim, Jihoon Kwon, Yoon Kim, Nicole Kagan, Raffi Khatchadourian, Wonbin Ahn, Alejandro Lopez-Lira, Jaewon Lee, Yoontae Hwang, Oscar Levy, Yongjae Lee, Chanyeol Choi

نُشر 2026-03-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sumin Kim, Jihoon Kwon, Yoon Kim, Nicole Kagan, Raffi Khatchadourian, Wonbin Ahn, Alejandro Lopez-Lira, Jaewon Lee, Yoontae Hwang, Oscar Levy, Yongjae Lee, Chanyeol Choi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بما إذا كانت كلمة معينة (مثل "التضخم" أو "الذكاء الاصطناعي") سيقولها الرئيس التنفيذي خلال مكالمة أرباح ربع سنوية قادمة. هذه هي لعبة "لغة المستقبل"، وهناك مجموعتان رئيسيتان تحاولان تخمين الإجابة: السوق والذكاء الاصطناعي.

إليك شرح مبسط لورقة البحث "التنبؤ بلغة المستقبل: تصميم السياق لأسواق الذكر" (Forecasting Future Language: Context Design for Mention Markets) باستخدام تشبيهات من الحياة اليومية.

1. الإعداد: سوق التوقعات

فكر في سوق التوقعات كأنه حوض مراهنات ضخم وعالي التقنية.

السيناريو: شركة على وشك عقد مكالمة مؤتمر.
الرهان: يشتري الناس تذاكر "نعم" أو "لا" حول ما إذا كان الرئيس التنفيذي سيقول كلمة محددة (مثل "الكم" - Quantum).
السعر: إذا كان سعر تذكرة "نعم" هو 0.55 دولار، فإن السوق يقول: "نحن نعتقد أن هناك احتمال بنسبة 55% أن يقول الرئيس التنفيذي هذه الكلمة".

عادةً ما يكون سعر هذا السوق تخميناً ذكياً جداً لأنه يجمع آراء آلاف المتداولين. لكن الباحثين تساءلوا: هل يمكن لذكاء اصطناعي فائق القدرة (نموذج لغوي كبير) أن ينظر إلى الأخبار وتاريخ الشركة ليجعل هذا التخمين أفضل؟

2. المشكلة: كيف تتحدث إلى الذكاء الاصطناعي

حاول الباحثون جعل الذكاء الاصطناعي يتنبأ بالنتيجة، لكنهم أدركوا أن كيفية طرح السؤال تهم بقدر أهمية السؤال نفسه.

لقد اختبروا ثلاث طرق مختلفة لـ "تغذية" الذكاء الاصطناعي بالمعلومات:

❌ الطريقة (أ): "القارئ الساذج" (إعطاء الذكاء الاصطناعي الأرقام فقط)

تخيل أنك سلمت الذكاء الاصطناعي مجموعة من المقالات الإخبارية ونصوص اجتماعات الشركة السابقة، ثم همست له: "أوه، بالمناسبة، سوق المراهنات يعتقد أن الاحتمال هو 55%".

النتيجة: يتجاهل الذكاء الاصطناعي نسبة الـ 55% أو يصاب بالارتباك. يحاول التخمين من الصفر، وغالباً ما يؤدي بشكل أسوأ من السوق لأنه لا يعرف كيف يستخدم رقم الـ 55% هذا. الأمر يشبه إعطاء طاهٍ وصفة وميزان حرارة، ولكن دون إخباره أن ميزان الحرارة مخصص لدرجة حرارة الفرن.

✅ الطريقة (ب): "التحفيز المشروط بالسوق" (MCP) – "المحرر"

هذا هو الاختراق الكبير الأول للورقة البحثية. بدلاً من مجرد الهمس بالرقم، نحن نخبر الذكاء الاصطناعي:

"يعتقد السوق أن هناك احتمال بنسبة 55%. هذا هو نقطة البداية الخاصة بك (الافتراض المسبق الخاص بك). الآن، انظر إلى الأخبار والنصوص السابقة. هل ترى أي دليل يثبت أن السوق مخطئ؟ إذا كان الأمر كذلك، قم بتحديث تخمينك".

التشبيه: فكر في سعر السوق كأنه مسودة كتبها لجنة. والذكاء الاصطناعي هو المحرر الأقدم. المحرر لا يعيد كتابة المقال بالكامل من الص scratch؛ بل يقرأ المسودة، ويتحقق من الحقائق (الأخبار/النصوص)، ويقول: "المسودة تقول 55%، ولكنني أرى بياناً صحفياً جديداً يجعلها 80%".
النتيجة: هذا يعمل بشكل أفضل بكثير. يحترم الذكاء الاصطناي حكمة السوق ولكنه يستخدم مهاراته في القراءة لتصحيحه عندما يكون السوق غير متأكد.

🏆 الطريقة (ج): "MixMCP" – "المزيج الذكي"

وجد الباحثون أن الذكاء الاصطناعي قد يتحمس أحياناً. إذا كانت الأخبار غامضة قليلاً، فقد يقوم الذكاء الاصطناعي بتغيير التوقع من 55% إلى 90% بينما كان ينبغي أن يظل قريباً من 55%. إنه "يبالغ في رد الفعل".

لذلك، ابتكروا استراتيجية MixMCP.

التشبيه: تخيل لعبة شد الحبل.
- أحد الفريقين هو السوق (مستقر جداً، ومن الصعب تحريكه).
- الفريق الآخر هو الذكاء الاصطناعي (قوي جداً، ولكنه أحياناً يسحب بقوة زائدة).
- MixMCP هو الحكم الذي يقول: "لنشد الحبل بنسبة 70% نحو جانب السوق و30% نحو جانب الذكاء الاصطناعي".
النتيجة: هذا يخلق التنبؤ الأكثر دقة. فهو يحافظ على استقرار السوق ويضيف "لحظات الإلهام" الخاصة بالذكاء الاصطناعي عندما يكون السوق مرتبكاً.

3. النتائج الرئيسية ("لحظات الإدراك")

المزيد من السياق يعني نتائج أفضل: تماماً كما يحتاج المحقق إلى المزيد من الأدلة، يعمل الذكاء الاصطناعي بشكل أفضل عندما يمتلك كلاً من المقالات الإخبارية ونصوص اجتماعات الأرباح السابقة. النصوص السابقة مفيدة بشكل خاص لأنها تعلم الذكاء الاصطناعي كيف يتحدث ذلك الرئيس التنفيذي تحديداً.
منطقة "الثقة المتوسطة" المثالية: يكون الذكاء الاصطناعي أكثر فائدة عندما يكون السوق غير متأكد (على سبيل المثال، عندما يقول السوق 50-60%).
- إذا كان السوق متأكداً بنسبة 95%، فعادة ما يوافق الذكاء الاصطناعي (لا داعي للتغيير).
- إذا كان السوق 50/50، يمكن للذكاء الاصطناعي النظر إلى النص والقول: "في الواقع، بالنظر إلى نبرة الرئيس التنفيذي الأخيرة، أعتقد أنها 75%". هنا يضيف الذكاء الاصطناعي أكبر قدر من القيمة.
لا تستبدل السوق، بل قم بتحسينه: أفضل النتائج لم تأتِ من محاولة الذكاء الاصطناعي التغلب على السوق بمفرده. بل جاءت من عمل الذكاء الاصطنا_ي كأداة تحسين لتخمين السوق الحالي.

الخلاصة

تعلمنا هذه الورقة أنه للحصول على أفضل تنبؤ من الذكاء الاصطناعي، لا ينبغي لك مجرد أن تطلب منه التخمين. يجب عليك:

إعطاؤه تخمين السوق الحالي كنقطة انطلاق.
إعطاؤه كل النصوص ذات الصلة (الأخبار، التاريخ).
إخباره بـ تحديث نقطة الانطلاق تلك بناءً على النص.
وأخيراً، خلط تخمين الذكاء الاصطناعي الجديد مع تخمين السوق الأصلي لتنعيم أي تقلبات حادة.

الأمر يشبه امتلاك مستثمر حكيم (السوق) ومحلل لامع (الذكاء الاصطناعي) يعملان معاً. يوفر المستثمر الخط الأساسي الثابت، بينما يرصد المحلل الاتجاهات الجديدة، مما يؤدي إلى قرار أذكى مما يمكن لأي منهما القيام به بمفرده.

إليك ملخص تقني مفصل للورقة البحثية المسبقة بعنوان "التنبؤ باللغة المستقبلية: تصميم السياق لأسواق الإشارات (Mention Markets)".

1. تعريف المشكلة

تتناول الورقة البحثية تحدي تحسين أسواق التنبؤ (prediction markets) لأحداث محددة تُعرف باسم أسواق الإشارات (mention markets). في هذه الأسواق، تُحل العقود بناءً على ما إذا كانت كلمة مفتاحية معينة قد ذُكرت حرفياً في حدث عام مستقبلي (تحديداً في نصوص مكالمات أرباح الشركات).

السؤال الجوهري: بينما أظهرت النماذج اللغوية الكبيرة (LLMs) قدرة واعدة في التنبؤ بالأحداث مفتوحة النطاق، لا يزال من غير الواضح كيفية تصميم سياقات المدخلات لتعظيم دقتها عند دمجها مع إشارات السوق الحالية.
الفجوة: غالباً ما تتعامل النهج الحالية مع النماذج اللغوية الكبيرة كمتنبئات مستقلة تتنافس مع أسعار السوق. يستقصي المؤلفون ما إذا كان يمكن لهذه النماذج أن تعمل بدلاً من ذلك كـ تحسينات تكميلية (complementary refinements) تقوم بتحديث الاحتمالات التي يستنتجها السوق باستخدام الأدلة النصية (الأخبار والنصوص السابقة)، بدلاً من استبدال توقعات السوق بالكامل.
المهمة: بالنظر إلى سعر السوق ( $p_{MKT}$ ) والسياق النصي السابق للمكالمة (الأخبار $N$ ، والنصوص السابقة $T$ )، الهدف هو إخراج احتمال مُعاير ( $p$ ) لنتيجة ثنائية ( $y \in \{0, 1\}$ ).

2. المنهجية

يقترح المؤلفون إطار عمل يقوم فيه النموذج اللغوي الكبير بتحديث "الاحتمال القبلي" للسوق بناءً على الأدلة النصية، بدلاً من توليد تنبؤ من الصفر.

أ. البيانات والإعداد

مجموعة البيانات: 856 سوق إشارة لمكالمات أرباح من منصة Kalshi (50 شركة، 70 حدثاً، الفترة من أبريل إلى ديسمبر 2025).
المدخلات:
- إشارة السوق: سعر عقد الـ "نعم" (YES-contract) قبل 7 أيام من المكالمة.
- السياق النصي: نصوص أرباح الربع السابق ( $T$ ) والأخبار المسترجعة للشركة ( $N$ ).
النموذج: GPT-5.1 (بمعلمات ثابتة، دون ضبط دقيق/fine-tuning) مع مخرجات مهيكلة.

ب. النهج المقترحة

تقارن الورقة بين عدة استراتيجيات صياغة (prompting):

الأساس (إشارة السوق كنص مجرد): يتم إدراج سعر السوق في المطالبة (prompt) كنص بسيط إلى جانب الأخبار والنصوص، دون تعليمات محددة حول كيفية استخدامه.
الصياغة المشروطة بالسوق (MCP):
- المفهوم: التعامل صراحة مع احتمال السوق كـ احتمال قبلي (prior).
- الآلية: توجّه المطالبة النموذج اللغوي لتقييم الاحتمال القبلي للسوق وتحديثه باستخدام الأدلة النصية المقدمة. يُطلب من النموذج إخراج احتمال مُعدل بناءً على هذا الاستنتاج.
- الصيغة الرياضية: $p_{MCP} = \text{LLM}(T, N \mid p_{MKT})$ .
التنبؤ المختلط (MixMCP):
- المفهوم: مزيج محدب بين الاحتمال القبلي للسوق وبين الاحتمال اللاحق (posterior) الذي يحدثه النموذج اللغيدي، وذلك لمنع الاستجابة المفرطة للإشارات الضوضائية.
- الصيغة: $p_{MixMCP} = \alpha p_{MKT} + (1 - \alpha) p_{MCP}$ .
- التحسين: تم ضبط قيمة $\alpha$ لتكون 0.7، مما يعني أن التنبؤ النهائي يعتمد بنسبة 70% على السوق و30% على التحديث القائم على الأدلة من النموذج اللغوي.

3. المساهمات الرئيسية

صياغة الإطار العملي: تصيغ الورقة التنبؤ القائم على النصوص كـ مشكلة تحديث مشروطة بالسوق. إنها تغير النموذج من "النموذج اللغوي مقابل السوق" إلى "النموذج اللغكي يُحدث السوق".
المنهجية (MCP): تقدم بروتوكول صياغة يشترط صراحة على النموذج اللغوي اعتبار أسعار السوق كاحتمالات قبلية، مما يؤدي إلى معايرة أفضل بكثير من الصياغة القياسية.
التحقق من الأداء: تثبت أن المزيج المتحفظ (MixMCP) يتفوق باستمرار على خط الأساس للسوق، مما يثبت أن النماذج اللغوية الكبيرة تضيف قيمة حتى في الأسواق الكفؤة من خلال حل حالات الغموض.

4. النتائج التجريبية

تقيم الدراسة الأداء باستخدام درجة براير (Brier Score) (كلما انخفضت كان أفضل)، خطأ المعايرة المتوقع (ECE) (كلما انخفض كان أفضل)، الدقة (Accuracy)، ومقياس F1 (F1 Score).

تأثير السياق: السياق الغني يحسن الأداء باستمرار. الجمع بين النصوص السابقة ( $T$ ) والأخبار ( $N$ ) يعطي أفضل النتائج بين خطوط الأساس النصية فقط (درجة براير: 0.1991 مقابل 0.2635 بدون سياق).
MCP مقابل الإدراج الساذج:
- مجرد إدراج سعر السوق كنص ("بدون صياغة/W/O Prompting") أدى إلى معايرة أسوأ (ECE: 0.0705) ودقة أقل (74.4%) مقارنة بخط أساس السوق وحده.
- حققت MCP تحسيناً كبيراً في المعايرة (ECE: 0.0514) والدقة (78.2%)، مما يثبت أن التعليمات الخاصة بالاستنتاج حول الاحتمال القبلي هي الحاسمة، وليس مجرد وجود الرقم.
نطاقات الثقة المتوسطة: توفر MCP أكبر قيمة عندما يكون السوق غير متيقن (الاحتمالات بين 50-70%). في هذه الفئات "متوسطة الثقة"، تفوقت MCP على السوق في 56.7% إلى 62.5% من حالات الاختلاف، مما ساهم بفعالية في حل الغموض.
تفوق MixMCP:
- حققت MixMCP أفضل أداء إجمالي:
  - درجة براير: 0.1392 (مقابل 0.1402 للسوق وحده).
  - الدقة: 80.3% (مقابل 79.8% للسوق وحده).
  - مقياس F1: 0.842.
- يؤكد هذا أن تخفيف تحديث النموذج اللغيدي باستخدام الاحتمال القبلي للسوق (عبر $\alpha=0.7$ ) يخلق متنبئاً أكثر قوة من أي منهما بمفرده.

5. الأهمية والخاتمة

التكامل: تثبت الورقة أن النماذج اللغوية الكبيرة لا تحتاج لاستبدال أسواق التنبؤ لتكون مفيدة. بدلاً من ذلك، تعمل كـ أدوات تحسين فعالة تدمج المعلومات الدلالية (الأخبار، النصوص) لتعديل الاحتمالات القبلية للسوق.
تصميم السياق أمر بالغ الأهمية: الطريقة التي تُعرض بها المعلومات على النموذج اللغوي حاسمة. معاملة أسعار السوق كـ "احتمال قبلي يجب تحديثه" يعطي نتائج متفوقة مقارنة بمعاملتها كمجرد نقاط بيانات.
القوة والمتانة: يشير نهج MixMCP إلى أنه في الأسواق الكفؤة، فإن الاستراتيجية الأكثر أماناً ودقة هي الوثوق بالحكمة الجماعية للسوق كخط أساس، مع السماح للنماذج اللغوية بإجراء تصحيحات مستهدفة بناءً على أدلة نصية محددة، خاصة عندما تكون إشارات السوق غامضة.

القيود: تقترت الدراسة على ذكر الكلمات المفتاحية في مكالمات الأرباح والبيانات التاريخية غير المباشرة (offline). هناك حاجة لمزيد من العمل لاختبار قابلية التعميم على أنواع العقود الأخرى وديناميكيات النشر في الوقت الفعلي.